| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Lokāli pārlūkā darbināmu mašīnmācīšanās modeļu precizitātes un veiktspējas novērtējums finanšu datu analīzē |
| Nosaukums angļu valodā |
Evaluation of Accuracy and Performance of Locally Browser-Executed Machine Learning Models in Financial Data Analysis |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Arnis Staško |
| Recenzents |
Māris Galauskis |
| Anotācija |
Mūsdienu digitālajā vidē manuāla datu apstrāde pakāpeniski zaudē savu nozīmi,
jo arvien plašāk tiek pielietoti mašīnmācīšanās un lielie valodas modeļi datu analīzes
un apstrādes automatizēšanai. Tradicionāli šādi risinājumi tiek īstenoti serveru pusē,
izmantojot centralizētas datu glabāšanas un apstrādes infrastruktūras, kurās tiek uzkrāti
lieli lietotāju datu apjomi. Šāda pieeja rada būtiskus izaicinājumus datu privātuma un
drošības jomā, jo finanšu un citi personīgie dati tiek pārsūtīti uz attāliem serveriem, kas
ir pakļauti datu noplūdes, zuduma vai nesankcionētas piekļuves riskam.
Lielākā daļa mašīnmācīšanās modeļu tiek apmācīti un uzturēti serveru pusē,
savukārt lietotāja saskarnē tie tiek izmantoti, izmantojot lietojumprogrammu saskarnes.
Tomēr pēdējos gados pieaug interese par lokālu mašīnmācīšanās risinājumu
izmantošanu pārlūka vidē, kas ļauj veikt datu apstrādi un secināšanu lietotāja ierīcē.
Šādu pieeju nodrošina mūsdienīgi rīki, piemēram, TensorFlow.js, kas ļauj izpildīt
iepriekš apmācītus mašīnmācīšanās modeļus pārlūkprogrammā, izmantojot JavaScript
vidi un lietotāja sistēmas skaitļošanas resursus.
Šī darba mērķis ir izpētīt mašīnmācīšanās modeļu apmācības un izmantošanas
iespējas pārlūkprogrammas vidē personīgo finanšu datu analīzei, vienlaikus nodrošinot
datu privātumu un samazinot nepieciešamību pēc serveru puses risinājumiem. Darbā
tiek analizētas lokālas datu apstrādes un modeļu apmācības iespējas, sistēmas
veiktspējas ierobežojumi un grafiskā procesora paātrinājuma izmantošana pārlūka vidē.
Darba rezultātā tiek izstrādāts prototips, kas demonstrē personīgo finanšu datu analīzi,
izmantojot pārlūkprogrammā apmācītu mašīnmācīšanās modeli, kā arī izvērtēta
piedāvātās pieejas praktiskā pielietojamība un ierobežojumi. |
| Atslēgas vārdi |
Mašīnmācīšanās, pārlūkprogramma, TensorFlow.js, krāpniecības atpazīšana, dziļais neironu tīkls, WebGL, WebGPU, mašīnmācīšanās modeļu veiktspēja, mašīnmācīšanās pārlūkā |
| Atslēgas vārdi angļu valodā |
Machine learning, web browser, TensorFlow.js, fraud detection, deep neural network, WebGL, WebGPU, machine learning model performance, machine learning in web browser |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 18:07:01 |
